胡憶文

(上海大學(xué)經(jīng)濟學(xué)院,上海 200444)

融資融券對我國股市波動性影響的實證研究

胡憶文

(上海大學(xué)經(jīng)濟學(xué)院,上海 200444)

本文選取的樣本區(qū)間為2008年1月2日到2014年12月31日,通過GARCH模型和TARCH模型研究融資融券對我國股市波動性的影響。研究表明,融資融券機制的引入能降低股市的非對稱波動性,但融資融券余額的增減會加大股市的波動性。

融資融券;股票市場;波動性;GARCH模型

一、引 言

2010年3月31日，我國融資融券交易正式啟動，標志著我國長期以來的單邊市場的結(jié)束。對于融資融券業(yè)務(wù)，有人認為這是我國資本市場走向成熟的重要舉措,也有人認為它會加劇股市的波動。融資融券只是一種交易機制,但其杠桿效應(yīng)和賣空機制卻使得兩融業(yè)務(wù)成為股市上漲的助推器和股市下跌的落井石?？茖W(xué)地分析融資融券業(yè)務(wù)對我國股市波動性的影響,對于正確評價我國股市的市場風險,為兩融業(yè)務(wù)的監(jiān)管提供正確的決策依據(jù),進而促進兩融業(yè)務(wù)功能的發(fā)揮具有重大意義。

關(guān)于融資融券交易對股市波動性的影響,目前的研究尚未形成統(tǒng)一的結(jié)論。Allen、Morris和Postlewaite(1993)在假設(shè)交易時間有限的基礎(chǔ)上建立理性預(yù)期均衡模型,證明融資融券會導(dǎo)致股價偏離均衡值,造成股市暴漲暴跌[1]。Henry and McKenzie(2006)研究了香港股票市場1994～2001年的日頻數(shù)據(jù),發(fā)現(xiàn)融資融券在一定程度上會加劇股市的波動,賣空機制加劇了投資者對利空利好消息的反應(yīng),從而導(dǎo)致股價的鐘擺式波動[2]。

也有學(xué)者認為融資融券會平抑市場波動性。Arturo Bris等(2007)發(fā)現(xiàn)與賣空約束相比，允許賣空交易的市場收益率波動率以及虧損率極值的分布頻數(shù)要小得多，說明融資融券降低了市場極端風險出現(xiàn)的概率,有穩(wěn)定證券市場的作用[3]。廖士光和楊朝軍(2005)對我國臺灣證券市場從1998年8月到2004年2月的融資融券交易量的月頻數(shù)據(jù)進行了Granger因果檢驗,研究發(fā)現(xiàn)賣空交易會平緩整個市場的起伏程度,而市場的整體波動對于賣空交易沒有顯著的影響[4]。陳淼鑫和鄭振龍(2008)選取37個國家和地區(qū)的證券市場作為研究對象,探討了賣空機制對股市股指收益率偏度和波動性的影響,提出雖然放開賣空限制將導(dǎo)致股指收益率向負向偏離,但會降低市場的波動性[5]。馮玉梅等(2015)用VAR模型實證檢驗了融資融券轉(zhuǎn)常規(guī)前后對股市波動性的影響,證實試點期間融資比融券更能平抑波動,轉(zhuǎn)常規(guī)后融券平抑股價波動的功能開始顯現(xiàn)[6]。盧駿和楊季超(2015)檢驗了融資融券對市場價格發(fā)現(xiàn)的影響,發(fā)現(xiàn)融資融券的實施降低了創(chuàng)業(yè)板和中小板標的股票的定價效率,但增強了股價穩(wěn)定性[7]。

其他學(xué)者認為融資融券對市場波動性無影響或影響不確定。Battalio and Schultz(2006)研究了納斯達克市場上網(wǎng)絡(luò)泡沫出現(xiàn)的原因,并且在分析過程中考慮了融資融券對股市波動性的影響,但發(fā)現(xiàn)二者之間不存在顯著的關(guān)系[8]。鄭曉亞等(2015)將融資融券業(yè)務(wù)作為虛擬變量引入GARCH與EGARCH模型后證明融資融券對我國股票市場長期波動性的影響并不顯著[9]。

兩融在我國實施之前,學(xué)者通過研究國外發(fā)達市場以及香港、臺灣地區(qū)股市數(shù)據(jù)來預(yù)測對我國股市的影響。兩融實施之后,因業(yè)務(wù)開展時間較短,研究數(shù)據(jù)大多不充足,再加上有多種約束因素無法量化,導(dǎo)致研究結(jié)論不一。本文通過多種計量經(jīng)濟模型,包括ADF單位根檢驗、GARCH模型和TARCH模型,運用Eviews 6.0統(tǒng)計軟件研究融資融券對我國股市波動性的影響。

二、數(shù)據(jù)說明與實證方法

2014年下半年,融資融券余額增長迅速。在融資融券業(yè)務(wù)巨大的利益誘惑下,券商借助多種渠道過度使用杠桿,獲得資金和證券出借給投資者。2015年證監(jiān)會對融資融券業(yè)務(wù)嚴加管理,比如在股市暴跌時禁止融券交易。因此,本文選取數(shù)據(jù)時將不考慮2015年的數(shù)據(jù)。

本文使用滬深300指數(shù)代替市場整體走勢,將滬深300指數(shù)日收盤價記為Pt,數(shù)據(jù)來源于Wind數(shù)據(jù)庫。在研究融資融券機制引入對我國股市波動性影響時,樣本區(qū)間為2008年1月2日到2014年12月31日,共1702個樣本,記為樣本1。以2010年3月31日實行融資融券為分界點將樣本分為前后兩段,前段547個樣本,后段1155個樣本,并且加入虛擬變量Dt來區(qū)分融資融券機制引入之前和之后。在研究融資融券余額的變化對我國股市波動性影響時,每日融資融券余額數(shù)據(jù)來自上交所網(wǎng)站和深交所網(wǎng)站,樣本區(qū)間為2010年4月1日至2014年12月31日,共1154個樣本,記為樣本2,并且加入兩個虛擬變量研究融資融券余額的增減對我國股市波動性影響。

設(shè)r為滬深300股指的對數(shù)收益率,其計算公式為:

r=lnPt-lnPt-1

(1)

用Eviews6.0軟件分別做數(shù)據(jù)的統(tǒng)計性描述和正態(tài)性檢驗,結(jié)果如表1所示。表1顯示,兩個樣本的對數(shù)收益率序列偏度都不為0,峰度也明顯大于3,且在1%的顯著性水平上顯著,即收益率序列具有尖峰和厚尾特征,拒絕該收益率序列服從正態(tài)分布的假設(shè)。

表1 樣本統(tǒng)計性描述和正態(tài)性檢驗

對收益率序列進行ADF單位根檢驗,結(jié)果顯示t值分別為-40.46和-33.67,P值都為0.0000,所以拒絕原假設(shè),收益率序列平穩(wěn)。

對收益率序列做自相關(guān)分析,結(jié)果顯示所有滯后階數(shù)的P值都大于5%顯著性水平。所以在5%顯著性水平上不存在顯著的自相關(guān)性。

股指的變化一般使用隨機游走模型比較合適,因而建立如下均值方程:

lnPt=α0lnPt-1+εt

(2)

(一)融資融券機制引入對我國股市波動性影響

由于資本市場中的沖擊常常表現(xiàn)出一種非對稱效應(yīng),即股價下跌過程中的波動率比股價上漲過程中的波動率更大。因此,本文用TARCH模型來刻畫這種現(xiàn)象。構(gòu)建方程:

(3)

加入虛擬變量的TARCH模型為:

(4)

(二)融資融券余額變化對我國股市波動性影響

金融時間序列的殘差通常具有條件異方差性,現(xiàn)解決金融時間序列的方差非同質(zhì)性問題常用自回歸條件異方差模型,即ARCH模型。Tim Bollerslev于1986年對ARCH模型進行了適當?shù)母倪M,提出了GARCH模型,因其對金融數(shù)據(jù)有著更好的把握而被廣泛運用于金融數(shù)據(jù)分析領(lǐng)域。因此,本文建立GARCH(p,q):

lnPt=α0lnPt-1+εt

(5)

其中,εt為隨機誤差;p和q分別為自回歸項和移動平均項的階數(shù)。加入兩個反應(yīng)融資融券余額變化的虛擬變量D1t和D2t。

加入虛擬變量后的GARCH模型為:

lnPt=α0lnPt-1+εt

(6)

三、實證檢驗

(一)融資融券機制引入對我國股市波動性影響

首先在Eviews6.0統(tǒng)計軟件中使用最小二乘法估計GARCH模型的均值方程:

lnPt=α0lnPt-1+εt

得到結(jié)果:

(7)

自變量系數(shù)的t值為17910.41,P值為0.0000,上述自回歸方程的R2=0.9918,對數(shù)似然值=4403.10,AIC=-5.17,SC=-5.17。因此,該自回歸方程的系數(shù)顯著為正,而且擬合程度很高。

由式(7)的殘差圖*受篇幅限制,殘差圖未顯示。下同。發(fā)現(xiàn),自回歸方程的殘差表現(xiàn)出明顯的波動聚集現(xiàn)象,說明殘差序列可能具有條件異方差性。對自回歸方程進行ARCH LM檢驗,滯后階數(shù)為1時，P值為0.0000，顯示在5%的顯著性下拒絕原假設(shè),即殘差序列可能具有條件異方差性。因此,TARCH(1,1)模型如式(8)所示。

(8)

TARCH(1,1)模型估計結(jié)果見表2。

表2 TARCH(1,1)模型估計結(jié)果

TARCH(1,1)模型的R2=0.9918,系數(shù)均顯著,對數(shù)似然值=4608.30,AIC=-5.41,SC=-5.39,對數(shù)似然值有所增加,同時AIC和SC值都變小了,這說明TARCH(1,1)模型對于數(shù)據(jù)的擬合性較好。

由表2可知,杠桿效應(yīng)系數(shù)γ為正數(shù),且在1%顯著性水平下顯著,說明存在明顯的杠桿效應(yīng),即條件方差對利好和利空消息的反應(yīng)不對稱,利空消息能產(chǎn)生更大的波動。GARCH項系數(shù)β表示上一期波動對當期的影響。β系數(shù)大說明對條件方差的沖擊持久。此模型中β系數(shù)為0.9207,β值較大,所以上一期波動率是影響當期波動的主要因素。虛擬變量Dt的系數(shù)θ為正數(shù),且在1%顯著性水平下顯著,由于虛擬變量在融資融券之前取1,說明融資融券之前該項的值較大,融資融券之后該項的值變小了,即波動率變小了。

再對TARCH(1,1)模型進行ARCH LM檢驗,P值為0.4124，大于5%顯著性水平,即不能拒絕原假設(shè),不能認為殘差序列存在ARCH效應(yīng)。這說明TARCH(1,1)模型更好地模擬了股市的波動。

(二)融資融券余額變化對我國股市波動性影響

首先用最小二乘法估計GARCH模型的均值方程得到結(jié)果:

(9)

自變量系數(shù)的t值為19534.44,P值為0.0000,上述自回歸方程的R2=0.9895,對數(shù)似然值=3316.47,AIC=-5.75,SC=-5.74。因此,該自回歸方程的系數(shù)顯著為正,而且擬合程度很高。

由式9的殘差圖發(fā)現(xiàn),自回歸方程的殘差表現(xiàn)出明顯的波動聚集現(xiàn)象,說明殘差序列可能具有條件異方差性。對自回歸方程進行ARCH LM檢驗,滯后階數(shù)為2時,P值為0.0007，顯示在5%的顯著性下拒絕原假設(shè),即殘差序列可能具有條件異方差性。因此,TARCH(1,2)模型如式(10)所示。

(10)

估計結(jié)果見表3。

表3 TARCH(1,2)模型估計結(jié)果

TARCH(1,2)模型的R2=0.9895,但是杠桿效應(yīng)系數(shù)γ的P值大于5%顯著性水平,即該系數(shù)不顯著。這說明融資融券引入后我國股市波動性的非對稱效應(yīng)減小了。因此,本文用GARCH模型來分析融資融券余額的變化對我國股市波動性的影響。分別用GARCH(1,1)、GARCH(1,2)、GARCH(2,1)、GARCH(2,2)模型對數(shù)據(jù)進行擬合,根據(jù)AIC以及SC準則,并配合殘差獨立性檢驗,本文最終選擇用GARCH(1,1)模型,如下所示:

lnPt=α0lnPt-1+εt

(11)

估計結(jié)果見表4。

表4 GARCH(1,1)模型估計結(jié)果

GARCH(1,1)模型的R2=0.9895,系數(shù)都是顯著的,對數(shù)似然值=3342.34,AIC=-5.78,SC=-5.76,對數(shù)似然值有所增加,同時AIC和SC值都變小了,這說明GARCH(1,1)模型對于數(shù)據(jù)的擬合性較好。

表4中虛擬變量D1t和D2t的系數(shù)θ1和θ2為正,并且融資融券余額增加時虛擬變量取值為1,這說明融資融券余額的增加和減少會對股市波動性產(chǎn)生同向的影響,即會加大股市的波動率。

再對GARCH(1,1)模型進行ARCH LM檢驗,P值為0.4001，大于5%顯著性水平,即不能拒絕原假設(shè),所以不能認為殘差序列存在ARCH效應(yīng)。這說明GARCH(1,1)模型更好地模擬了股市的波動。

四、結(jié)論與建議

本文選取的樣本區(qū)間為2008年1月2日到2014年12月31日,建立TARCH模型發(fā)現(xiàn),融資融券機制的引入能降低股市的非對稱波動性,建立GARCH模型發(fā)現(xiàn)融資融券余額的增加和減少都會加大股市的波動性。為控制兩融業(yè)務(wù)的風險,本文建議:(1)制定合適的保證金比例。融資融券保證金比例過高會增加交易成本,約束融資融券業(yè)務(wù)的發(fā)展,從長期來看反而會加大股市波動性,減少流動性,因而確定一個合適的保證金比例至關(guān)重要[10];(2)加強監(jiān)管和業(yè)務(wù)規(guī)范,切實落實各項規(guī)定,在融資融券各個環(huán)節(jié)加強監(jiān)管;(3)提高對兩融對象以及標的證券的選擇標準,提高準入門檻,并加強標的股票的動態(tài)管理,及時刪除股價波動性偏大,業(yè)績波動幅度較大,內(nèi)幕交易嚴重的股票。

[1]Allen F., S. A. Postlewaite. Finite Bubbles with Short Sale Constraints and Asymmetric Information[J].Journal of Economic Theory, 1993, 61(2): 206-229.

[2]Henry, 0.T.T., M. McKenzie. The Impact of Short Selling on the Price-Volume Relationship: Evidence from Hong Kong[J].Journal of Business, 2006, 79(2): 671-691.

[3]Arturo Bris, William N. Goetzmann, Ning Zhu. Efficiency and the Bear: Short Sales and Markets Around the World[J].The Journal of Finance, 2007, 62(3): 1029-1079.

[4]廖士光, 楊朝軍.賣空交易機制對股價的影響——來自臺灣股市的經(jīng)驗證據(jù)[J].金融研究, 2005, (10): 131-140.

[5]陳淼鑫, 鄭振龍.賣空機制對證券市場的影響:基于全球市場的經(jīng)驗研究[J].世界經(jīng)濟, 2008, (12): 73-81.

[6]馮玉梅, 陳璇, 張玲.融資融券交易對我國股市波動性的影響研究——基于融資融券轉(zhuǎn)常規(guī)前后的比較檢驗[J].山東社會科學(xué), 2015, (2): 130-134.

[7]盧駿楊, 季超.融資融券交易對市場價格發(fā)現(xiàn)的影響——基于中國創(chuàng)業(yè)板與中小板的研究[J].財經(jīng)論叢, 2015, (11): 43-51.

[8]Robert H. Battalio, Paul H. Schultz. Options and the Bubble[J].The Journal of Finance, 2006, (61): 2071-2102.

[9]鄭曉亞, 閆慧, 劉飛.融資融券業(yè)務(wù)與我國股票市場長期波動性[J].經(jīng)濟與管理評論, 2015, (2): 87-93.

[10]駱玉鼎, 廖士光.融資買空交易流動性效應(yīng)研究——臺灣證券市場經(jīng)驗證據(jù)[J].金融研究, 2007, (5): 118-132.

(責任編輯:原 蘊)

Empirical Analysis of Impacts of Margin Trading on Volatility of Chinese Stock Market

HU Yiwen

(School of Economics, Shanghai University, Shanghai 200444, China)

Margin trading has played an important role in the development of the stock market. However, its impact on Chinese stock market remains to be further studied. This article selects samples from January 2, 2008 to December 31, 2014 and uses TARCH model and GARCH model to study the impacts of margin trading and finds that the introduction of margin trading mechanism would reduce the asymmetric volatility of Chinese stock market and the change of margin trading would increase the volatility of Chinese stock market. Finally, it puts forward some suggestions based on empirical conclusions and current situations of margin trading.

Margin Trading; Stock Market; Volatility; GARCH Model

2016-04-26

胡憶文(1992-),女,浙江諸暨人,上海大學(xué)經(jīng)濟學(xué)院碩士生。

F830.91

A

1004-4892(2017)04-0055-06